Neste trabalho a detecção de novidade é tratada como o problema de identificação de conceitos emergentes em dados que podem ser apresentados em um fluxo contínuo. Considerando a relação intrínseca entre tempo e novidade e os desafios impostos por fluxos de dados, uma nova abordagem é proposta. OLINDDA (OnLIne Novelty and Drift Detection Algorithm) vai além da classficação com uma classe e concentra-se no aprendizado contínuo não-supervisionado de novos conceitos. Tendo aprendido uma descrição inicial de um conceito normal, prossegue à análise de novos dados, tratando-os como um fluxo contínuo em que novos conceitos podem aparecer a qualquer momento. Com o uso de técnicas de agrupamento, OLINDDA pode empregar diversos critérios de validação para avaliar grupos em termos de sua coesão e representatividade. Grupos considerados válidos produzem conceitos que podem sofrer fusão, e cujo conhecimento é continuamente incorporado. A técnica é avaliada experimentalmente com dados artificiais e reais. O módulo de classificação com uma classe é comparado a outras técnicas de detecção de novidade, e a abordagem como um todo é analisada sob vários aspectos por meio da evolução temporal de diversas métricas. Os resultados reforçam a importância da detecção contínua de novos conceitos, assim como as dificuldades e desafios do aprendizado não-supervisionado de novos conceitos em fluxos de dados / In this work novelty detection is treated as the problem of identifying emerging concepts in data that may be presented in a continuous ow. Considering the intrinsic relationship between time and novelty and the challenges imposed by data streams, a novel approach is proposed. OLINDDA, an OnLIne Novelty and Drift Detection Algorithm, goes beyond one-class classification and focuses on the unsupervised continuous learning of novel concepts. Having learned an initial description of a normal concept, it proceeds to the analysis of new data, treating them as a continuous ow where novel concepts may appear at any time. By the use of clustering techniques, OLINDDA may employ several validation criteria to evaluate clusters in terms of their cohesiveness and representativeness. Clusters considered valid produce concepts that may be merged, and whose knowledge is continuously incorporated. The technique is experimentally evaluated with artificial and real data. The one-class classification module is compared to other novelty detection techniques, and the whole approach is analyzed from various aspects through the temporal evolution of several metrics. Results reinforce the importance of continuous detection of novel concepts, as well as the dificulties and challenges of the unsupervised learning of novel concepts in data streams

Neste trabalho a detecção de novidade é tratada como o problema de identificação de conceitos emergentes em dados que podem ser apresentados em um fluxo contínuo. Considerando a relação intrínseca entre tempo e novidade e os desafios impostos por fluxos de dados, uma nova abordagem é proposta. OLINDDA (OnLIne Novelty and Drift Detection Algorithm) vai além da classficação com uma classe e concentra-se no aprendizado contínuo não-supervisionado de novos conceitos. Tendo aprendido uma descrição inicial de um conceito normal, prossegue à análise de novos dados, tratando-os como um fluxo contínuo em que novos conceitos podem aparecer a qualquer momento. Com o uso de técnicas de agrupamento, OLINDDA pode empregar diversos critérios de validação para avaliar grupos em termos de sua coesão e representatividade. Grupos considerados válidos produzem conceitos que podem sofrer fusão, e cujo conhecimento é continuamente incorporado. A técnica é avaliada experimentalmente com dados artificiais e reais. O módulo de classificação com uma classe é comparado a outras técnicas de detecção de novidade, e a abordagem como um todo é analisada sob vários aspectos por meio da evolução temporal de diversas métricas. Os resultados reforçam a importância da detecção contínua de novos conceitos, assim como as dificuldades e desafios do aprendizado não-supervisionado de novos conceitos em fluxos de dados / In this work novelty detection is treated as the problem of identifying emerging concepts in data that may be presented in a continuous ow. Considering the intrinsic relationship between time and novelty and the challenges imposed by data streams, a novel approach is proposed. OLINDDA, an OnLIne Novelty and Drift Detection Algorithm, goes beyond one-class classification and focuses on the unsupervised continuous learning of novel concepts. Having learned an initial description of a normal concept, it proceeds to the analysis of new data, treating them as a continuous ow where novel concepts may appear at any time. By the use of clustering techniques, OLINDDA may employ several validation criteria to evaluate clusters in terms of their cohesiveness and representativeness. Clusters considered valid produce concepts that may be merged, and whose knowledge is continuously incorporated. The technique is experimentally evaluated with artificial and real data. The one-class classification module is compared to other novelty detection techniques, and the whole approach is analyzed from various aspects through the temporal evolution of several metrics. Results reinforce the importance of continuous detection of novel concepts, as well as the dificulties and challenges of the unsupervised learning of novel concepts in data streams

Submitted by Milena Rubi (milenarubi@ufscar.br) on 2016-10-17T14:50:55Z No. of bitstreams: 1 LUZ_Thamires_2015.pdf: 4921213 bytes, checksum: 9d05f0a134378657db3994e8496ed5bf (MD5) / Approved for entry into archive by Milena Rubi (milenarubi@ufscar.br) on 2016-10-17T14:51:09Z (GMT) No. of bitstreams: 1 LUZ_Thamires_2015.pdf: 4921213 bytes, checksum: 9d05f0a134378657db3994e8496ed5bf (MD5) / Approved for entry into archive by Milena Rubi (milenarubi@ufscar.br) on 2016-10-17T14:51:18Z (GMT) No. of bitstreams: 1 LUZ_Thamires_2015.pdf: 4921213 bytes, checksum: 9d05f0a134378657db3994e8496ed5bf (MD5) / Made available in DSpace on 2016-10-17T14:51:33Z (GMT). No. of bitstreams: 1 LUZ_Thamires_2015.pdf: 4921213 bytes, checksum: 9d05f0a134378657db3994e8496ed5bf (MD5) Previous issue date: 2015-11-19 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Electricity in Brazil is mostly generated by hydroelectric plants that depend on the volume of water in their reservoirs. Due to the fact that rainfall is decreasing, other methods with higher costs to generate energy are required. These costs are passed to users, increasing the energy bill. Futhermore, the wasting of energy and overconsumption also contribute to increase the energy bill. At the same time, the wasting of energy are not noticed by the user. To avoid such wasting, an alert could be sent as soon as an anomalous event is detected. In this way, we propose a system that sends an alert of any novelty detection in energy consumption through the analysis of the methods Sliding Window, Exponentially Weighted Moving Averages, Clustering, Average per Circle, Average per Stage, Gauss Distribution and Self-Organizing Novelty Detection. Results demonstrate that the methods evaluated are efficient in real time detection of novelties, presenting 90% of accuracy and 10% of recall, besides a low delay to send the alert. / A energia elétrica no Brasil é gerada em sua maioria pelas usinas hidrelétricas. Essas hidrelétricas dependem do volume de água dos reservatórios para a geração de energia e, devido à diminuição dos índices pluviométricos, métodos alternativos de geração com custos mais altos são necessários. Esses custos são repassados para os usuários, encarecendo a conta de energia elétrica. Além disso, podemos atribuir o aumento da conta de energia elétrica também ao consumo exagerado e ao desperdício de energia, que muitas vezes pode não ser notado devido ao aumento ser gerado por falha elétrica ou humana, como o esquecimento da porta da geladeira aberta, por exemplo. Partindo da hipótese de que cada equipamento eletrônico apresenta um padrão no consumo energético, um alerta poderia ser enviado ao usuário caso o comportamento padrão fosse alterado. Sendo assim, neste trabalho é proposto um sistema que realiza detecções nas alterações no comportamento do consumo de energia elétrica dos aparelhos eletrônicos, de forma que alertas sejam enviados para o usuário. Para detectar a alteração de comportamento do consumo de energia elétrica dos aparelhos eletrônicos foram implementados sete métodos consolidados na literatura: Janela Deslizante, Exponentially Weighted Moving Averages (EWMA), Agrupamento, Média por Ciclo, Média por Estágio, Distribuição Gaussiana e Self-Organizing Novelty Detection (SONDE). Os experimentos demonstraram que os métodos foram eficientes na detecção de novidade em tempo real apresentando taxa de detecção das alterações comportamentais acima de 90% e falso-positivo abaixo de 10%, além de um tempo médio de resposta baixo.

Made available in DSpace on 2014-06-11T19:30:50Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-10-22Bitstream added on 2014-06-13T20:00:53Z : No. of bitstreams: 1 moreno_al_dr_ilha.pdf: 923809 bytes, checksum: e8a55f496e6bf5bfbe0531f9211526e5 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Esta pesquisa visa o desenvolvimento de um método para análise da estabilidade transitória de sistemas de energia eletrica multimaquinas, por meio de uma rede neural ART-ARTMAP Fuzzy Euclidiana Modificada com Treinamento Continuado. Esta arquitetura apresenta tres diferenciais em e relação a outras já utilizadas para abordar tal problema: (1) a rede iniciada com apenas um neuronio ativado e vai se expandindo durante todo o o treinamento/análise, (2) possui um módulo de treinamento continuado e (3) a o possui um módulo de deteção de intruso. No primeiro diferencial, a redeé iniciada com um neuronio e vai se expandindo de acordo com a aquisição de conhecimento, isto faz com que esta se torne muito mais rápida e que o gasto computacional se torne mínimo. Com o módulo de treinamento continuado, a rede neural consegue armazenar novos dados sem a necessidade de realizar o retreinamento. Já o módulo de detecção de intruso faz com que, ao ser apresentada a rede uma configuração estranha, a rede execute um treinamento específico para que esta configuração, com um número mínimo de entradas, seja incorporada definitivamente à rede neural. A aplicação para a rede proposta nesta pesquisa, foi a análise de estabilidade transitória, considerando-se o modelo clássico (estabilidade de primeira oscilação), para um sistema composto por 10 máquinas síncronas, 45 barras e 73 linhas de transmissão / This doctoral research aims to develop a method to analyze the transient stability of multimachine eletric power systems, through a neural network Modified Euclidean Fuzzy ART-ARTMAP with Continuous Training. The architecture presented has three differences in relation to others used to deal with this problem: (1) the network starts with only one neuron activated and expands throughout the training/analysis, (2) has a continuous training module and (3) has an intrusion detection module. The first difference, is the fact that it starts with a neuron and expands according to knowledge acquisition of the network, and causes it to become much faster and the computational expenses becomes minimum. With continuous training mod- ule, the neural network can store the new data without the need for the retraining. The intrusion detection module causes, when presented to the network a strange configuration, the network to carry out a specific training for this configuration with a minimum total of inputs so that the configu- ration is definitely incorporated to the neural network. The application for this network, in this research, was to analyze the transient stability consid- ering the classical model (stability of first oscillation) to a system composed of 10 synchronous machines, 45 buses and 73 transmission lines